แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการสูญเสียโฟกัสสำหรับการตรวจจับที่ไม่สมดุล
ตรวจสอบโมดูเลเตอร์การสูญเสียโฟกัส ความไม่สมดุลของคลาส บทบาทของอัลฟ่าและแกมม่า และความแตกต่างระหว่างตัวอย่างที่ได้รับการจัดประเภทอย่างดีและยาก
คำถาม 1 ของ 8
ปัญหาหลักประการใดในการตรวจจับวัตถุในขั้นตอนเดียวคือการสูญเสียโฟกัสที่ออกแบบมาเพื่อแก้ไข
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ปัญหาหลักประการใดในการตรวจจับวัตถุในขั้นตอนเดียวคือการสูญเสียโฟกัสที่ออกแบบมาเพื่อแก้ไข
- ความไม่สมดุลอย่างมากระหว่างวัตถุเบื้องหน้าที่หายากและพื้นหลังที่เรียบง่ายมากมาย
- ความเร็วในการอนุมานช้าของเครื่องตรวจจับแบบสองขั้นตอน
- ขาดข้อมูลการฝึกอบรมที่มีป้ายกำกับ
- การสวมเข้ากับวัตถุขนาดใหญ่มากเกินไป
- อะไรคือปัจจัยมอดูเลตที่การสูญเสียโฟกัสคูณกับเอนโทรปีข้าม?
- เข้าสู่ระบบ(p_t)
- (1 - p_t)^แกมมา
- p_t^2 เท่านั้น
- 1 / หน้า
- จะเกิดอะไรขึ้นกับการสูญเสียโฟกัสเมื่อตั้งค่าแกมม่าพารามิเตอร์การโฟกัสเป็น 0
- มันกลายเป็นค่าคลาดเคลื่อนกำลังสองเฉลี่ย
- มันไม่สนใจตัวอย่างเชิงบวกทั้งหมด
- มันจะกลายเป็นเอนโทรปีข้ามธรรมดา
- มันแปรผันไปสู่อนันต์
- การเพิ่มแกมมามีประโยชน์อย่างไรกับตัวอย่างที่ง่ายและแยกประเภทได้ดี
- เพิ่มการมีส่วนร่วมในการสูญเสีย
- ปล่อยให้การสนับสนุนไม่เปลี่ยนแปลง
- ลบออกจากชุดข้อมูล
- ระงับการมีส่วนสนับสนุนการสูญเสียให้แข็งแกร่งยิ่งขึ้น
- สถาปัตยกรรมตัวตรวจจับใดทำให้เกิดการสูญเสียโฟกัส
- RetinaNet
- โยโลฟ1
- R-CNN ที่เร็วขึ้น
- อเล็กซ์เน็ต
- โดยทั่วไปแล้วพารามิเตอร์อัลฟ่าจะมีบทบาทควบคู่ไปกับแกมมาอย่างไร
- มันกำหนดอัตราการเรียนรู้
- มันสมดุลน้ำหนักสัมพัทธ์ของคลาสที่เป็นบวกและลบ
- มันควบคุมความละเอียดของภาพ
- กำหนดจำนวนกล่องพุก
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples